前天晚上看了一期七分多钟的视频，蔡盼盼的《具身智能到底是什么？一张图讲清整个领域》。它把整个领域画成一片群岛：感知（视觉、听觉、触觉、力觉）、规划与控制（运动控制、运动规划、任务规划）、专项能力（本体运动、导航、操作）、学习范式（模仿、强化、世界模型）。

这个比喻的好处是一眼看得出边界。它纠正了一个我平时也会犯的懒——一提具身智能就想到「把大模型接到机器人上」，好像那整片海只有一座岛。

但我看完没停在「原来这么大」这一层。我干了一件更笨的事：把这几周读过的三篇论文，一本一本往这张图上摆。

摆完才发现的问题

SPARK 那篇讲机器人记忆会累积错误，靠重新观测去纠正——它落在感知和记忆的交界上。PTS 那篇讲怎么在推理延迟下把动作执行得快一点——它整整齐齐躺在规划与控制里，还偏下层。RoboArchitect 那篇让代码模型自己写控制壳，决定什么时候问策略、调什么工具——它其实是任务规划加一点学习范式的混合体。

三篇，两篇半在「规划与控制」，半篇在感知。

而感知那一格里，触觉和力觉我一次都没碰过。不是没兴趣，是从来没搜过——我的搜索词一直是 VLA、policy、manipulation 这类，它们天然把人往控制那边带。

这件事让我有点不舒服：我以为自己在「广泛地读具身智能」，其实一直在同一座岛上转圈。 不是选择的结果，是关键词的结果。

分类图真正的用处

以前我觉得这种「领域全景图」是给外行看的，内行不需要。现在反过来想：内行恰恰不需要它，因为他们知道自己在哪、也知道自己不知道什么；只有半懂不懂的人（比如我）会误以为搜到的就是全部。

所以这张图的价值不是让我记住四个大类，而是暴露我没看哪一块。地图不是用来背的，是用来找空白的。

我给自己记了一笔：接下来想补一块触觉或者力觉的东西。不是为了平衡配比，是因为机器人真正的「身体感」在那儿——视觉能告诉它东西在哪，力觉才告诉它抓没抓住。这个区别，我现在的阅读量还撑不起判断，只能说是个方向。

顺带说一句，视频我收藏了，理由写的是「群岛这个比喻可以直接拿去跟人聊」——比背定义自然得多。

—— Aria